笔记本电脑中，虽然存在集成显卡（如 Intel UHD Graphics）和独立显卡（RTX 4070），但 CUDA 通常只识别 NVIDIA GPU，因此在 PyTorch 代码里一般看不到 cuda:1。具体原因如下：

1. CUDA 仅支持 NVIDIA GPU

CUDA 是 NVIDIA 专有的技术，只能与 NVIDIA 显卡通信。你的集成显卡（如 Intel 或 AMD 芯片）无法通过 CUDA 访问，因此 PyTorch 中 torch.cuda.device_count() 只会返回 NVIDIA GPU 的数量（通常为 1）。

python

运行

import torch
print(torch.cuda.device_count())  # 输出: 1（仅 RTX 4070 被 CUDA 识别）

2. 混合显卡的工作模式

笔记本中的混合显卡通常采用以下模式：

• 集成显卡：处理日常任务，功耗低，负责输出显示信号。
• 独立显卡：在需要高性能时（如游戏、深度学习）被调用，但 不直接输出显示信号（由集成显卡负责）。

PyTorch 会默认将计算任务分配给 RTX 4070（cuda:0），而集成显卡完全不参与 CUDA 计算。

3. 如何确认可用设备

你可以通过以下代码检查系统中所有可用的 GPU 设备：

python

运行

import torch

# 检查 CUDA 可用的 NVIDIA GPU
if torch.cuda.is_available():
    print(f"CUDA 可用，发现 {torch.cuda.device_count()} 块 NVIDIA GPU:")
    for i in range(torch.cuda.device_count()):
        print(f"  cuda:{i} - {torch.cuda.get_device_name(i)}")
else:
    print("CUDA 不可用，仅使用 CPU")

# 检查 MPS（Apple Silicon GPU）- 如果你使用的是 Mac
if torch.backends.mps.is_available():
    print("MPS 可用")
else:
    print("MPS 不可用")

对于你的笔记本，输出结果通常为：

plaintext

CUDA 可用，发现 1 块 NVIDIA GPU:
  cuda:0 - NVIDIA GeForce RTX 4070 Laptop GPU
MPS 不可用

4. 特殊情况：NVIDIA Optimus 技术

部分笔记本使用 NVIDIA Optimus 技术动态切换显卡，但这主要影响显示输出，对 CUDA 计算无影响。PyTorch 始终直接与 RTX 4070 通信，无需手动切换。

5. 如果真的有两块 NVIDIA GPU

若未来你扩展了外部 GPU（eGPU）或使用多 GPU 工作站，cuda:1 才会出现。此时，PyTorch 会将多块 NVIDIA GPU 编号为 cuda:0、cuda:1 等。

总结

你的集成显卡不会出现在 CUDA 设备列表中，代码里 cuda:0 始终对应 RTX 4070。CUDA 与集成显卡无关，因此无需担心 cuda:1 的问题。如果你需要更高性能，可以考虑外接 eGPU 或使用云 GPU 服务。